Using patient-reported outcome measures to assess psychological well-being in a non-representative US general population during the COVID-19 pandemic
Notice bibliographique
Résumé
PURPOSE: The impact of the COVID-19 pandemic on psychological well-being will likely be long-lasting. Efforts directed towards monitoring the onset and progression of distress and mental health disorders are needed to identify and prioritize at-risk populations. This study assesses the psychological well-being of the United States (US) general population during the early phase of the COVID-19 COVID-19 pandemic using validated patient-reported outcome measures (PROMs). METHODS: A cross-sectional study design was used. Adults (18 years or older) who could read and write in English were recruited through Prolific in May 2020. Participants completed a REDCap survey including demographic and health-related questions and three PROMs measuring global health (PROMIS-10 Global Health), anxiety [Generalized Anxiety Disorder Scale-7 (GAD-7)], and depression [Patient Health Questionnaire-9 (PHQ-9)]. A multivariable linear regression was used to identify key factors associated with worse psychological well-being. RESULTS: Mean age of the 2023 participants was 31.92 ± 11.57 years (range, 18-82). Participants were mainly White (64.7%, n = 1309), female (52.2%, n = 1057), working full-time before the pandemic (43.5%, n = 879), and completed a college, trade, or university degree (40.7%, n = 823). Most participants reported mild to severe anxiety (57.3%, n = 1158) and depression (60%, n = 1276) on the GAD-7 and PHQ-9, respectively. Patient characteristics associated with worse psychological well-being included: age ≤ 39 years, non-White, female or gender diverse, BMI ≥ 30, uninsured, annual income ≤ $49,999 (USD), lower educational attainment, and belief that COVID-19 is deadlier than flu. CONCLUSION: PROMs can be used to assess and monitor psychological well-being during the COVID-19 pandemic and to inform the planning and delivery of targeted public health interventions to support at-risk populations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».